[发明专利]一种安全威胁信息分层提取的方法及装置

权利要求书

1.一种安全威胁信息分层提取的方法，其特征在于，所述方法包括：

读取安全威胁信息；

当所述安全威胁信息中存在符合关系指标的第一词语时，定位所述第一词语的位置区域；

所述关系指标包括：含有足够的信息表示语义关系的指标；

预测所述第一词语的关系类型；

当所述关系类型与关系类型集对应时，扫描所述位置区域内所有的第二词语；所述关系类型集包括至少一个所述关系类型；

根据所述第二词语预测所述第一词语对应的实体类型；

所述当所述关系类型与关系类型集对应时，扫描所述位置区域内所有的第二词语，包括：

当所述关系类型与关系类型集对应时，启动低层强化学习网络；

利用所述低层强化学习网络，扫描所述位置区域内所有的第二词语；

所述根据所述第二词语预测所述第一词语对应的实体类型，包括：

利用所述低层强化学习网络生成所述位置区域内每一个所述第二词语的标签；

根据所述标签预测所述第一词语对应的实体类型。

2.根据权利要求1所述的方法，其特征在于，所述预测所述第一词语的关系类型，包括：

利用关系策略函数计算所述第一词语属于各个关系类型的概率；

选择概率最高的所述关系类型作为所述第一词语的所述关系类型。

3.根据权利要求2所述的方法，其特征在于，所述利用关系策略函数计算所述第一词语属于各个关系类型的概率，包括：

获取高层强化学习网络的高层当前时刻状态；

将所述高层当前时刻状态输入关系策略函数，使所述关系策略函数计算所述第一词语属于各个关系类型的概率。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

预测得到的所述关系类型与第一训练集中的关系对应时，向所述高层强化学习网络提供正奖励；

预测得到的所述关系类型与所述第一训练集中的所述关系不对应时，向所述高层强化学习网络提供负奖励；

预测得到的所述关系类型为无关系时，不向所述高层强化学习网络提供奖励；

所述第一训练集为训练所述高层强化学习网络时的关系集合。

5.根据权利要求1所述的方法，其特征在于，所述根据所述标签预测所述第一词语对应的实体类型，包括：

利用实体策略函数计算所述标签属于各个实体类型的概率；

选择概率最高的所述实体类型作为所述第一词语对应的所述实体类型。

6.根据权利要求5所述的方法，其特征在于，所述利用实体策略函数计算所述标签属于各个实体类型的概率，包括：

获取所述低层强化学习网络的低层当前时刻状态；

将所述低层强化学习网络的所述低层当前时刻状态和所述关系类型输入实体策略函数，使所述实体策略函数计算所述标签属于各个实体类型的概率。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

预测得到的所述实体类型与所述关系类型对应时，向所述低层强化学习网络提供第一即时奖励；

预测得到的所述实体类型与所述关系类型不对应时，向所述低层强化学习网络提供第二即时奖励；

所述第一即时奖励大于所述第二即时奖励；

当预测得到的全部所述实体类型均与第二训练集中的实体对应时，向所述低层强化学习网络提供正奖励；

当存在预测得到的所述实体类型与所述第二训练集中的所述实体不对应时，向所述低层强化学习网络提供负奖励；

所述第二训练集为训练所述低层强化学习网络时的实体集合。

8.一种安全威胁信息分层提取的装置，其特征在于，所述装置包括：

读取模块，用于读取安全威胁信息；

定位模块，用于当所述安全威胁信息中存在符合关系指标的第一词语时，定位所述第一词语的位置区域；所述关系指标包括：含有足够的信息表示语义关系的指标；

关系类型预测模块，用于预测所述第一词语的关系类型；

扫描模块，用于当所述关系类型与关系类型集对应时，扫描所述位置区域内所有的第二词语；所述关系类型集包括至少一个所述关系类型；

实体类型预测模块，用于根据所述第二词语预测所述第一词语对应的实体类型；

所述扫描模块，具体用于当所述关系类型与关系类型集对应时，启动低层强化学习网络；

利用所述低层强化学习网络，扫描所述位置区域内所有的第二词语；

所述实体类型预测模块包括生成模块和预测子模块；

所述生成模块，用于利用所述低层强化学习网络生成所述位置区域内每一个所述第二词语的标签；

所述预测子模块，用于根据所述标签预测所述第一词语对应的实体类型。